基于两轴振动信息融合的变压器绕组机械故障诊断方法

本发明涉及变压器绕组机械故障诊断，特别是基于两轴振动信息融合的变压器绕组机械故障诊断方法。

背景技术：

1、变压器作为电力系统中关键设备之一，其安全稳定运行至关重要。变压器故障类型主要包括电热故障、绝缘故障、机械故障等，变压器机械故障属于潜在性故障，故障初期不易检测，绕组作为变压器结构中最易损坏部件，其机械结构的改变是引发突发性事故的重要原因之一。变压器绕组机械变形会产生累积效应，降低绝缘强度，削弱绕组抗短路能力。因此，变压器绕组机械故障的早期识别十分必要。

2、目前，对于变压器绕组机械结构检测方法主要包括频率响应法、短路阻抗法等，但这些方法只能识别形变类故障且无法实现在线检测。基于振动信息的绕组状态检测方法能够在不影响变压器正常运行的情况下实现绕组状态检测与故障诊断，弥补了其它检测方法的不足，得到了广泛使用。

3、由于振动信号具有非线性、非平稳的特点。国内外学者从信号采集、特征提取与故障识别等方面做了大量研究。特征提取主要采用时域法、频域法以及时频域法等。随着智能算法的发展，小波包分析、支持向量机和人工神经网络等算法也被广泛应用于故障诊断。文献采用轴向振动信号能量熵作为特征量，利用多分类支持向量机实现绕组不同状态的分类诊断；文献从时域的角度对绕组的振动分布特性展开研究，提出四个量化参数作为绕组故障诊断特征值；文献提出融合轴向振动和电抗参数的绕组变形诊断方法，实验表明融合后诊断精度优于单个参数；文献提出了一种基于点对称变换(sdp)与图像匹配的变压器机械故障诊断方法，将轴向振动信号频域特征转化为二维图像简化了特征提取过程。而上述方法均是基于绕组轴向振动信号进行时频域的振动分析与特征提取。文献认为绕组轴向、辐向振动信号幅值具有相同的数量级，对振动的传播均具有重要作用。相比于单一方向振动信号，两轴振动信号具有信息完整度高，故障特征明显等优点，因此更能反映绕组状态信息。同时，现阶段各类绕组故障诊断模型不断追求准确率的提升而很少考虑实际工程应用中诊断效率的问题。故障识别准确率提高的代价是诊断流程的复杂化，而变压器往往运行在正常状态下，需要通过振幅变化等简单特征对绕组状态进行初步辨识以提高检测效率。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了基于两轴振动信息融合的变压器绕组机械故障诊断方法。

2、实现上述目的本发明的技术方案为，基于两轴振动信息融合的变压器绕组机械故障诊断方法，该方法包括如下步骤：

3、步骤一，振动信号采集，所述振动信号采集包括两个振动传感器，两个所述振动信号传感器进行绕组正常、松动、鼓包变形三种状态下绕组振动测试，

4、步骤二，绕组状态初步辨识，通过两个所述振动信号传感器的负载电流与绕组两轴基频振幅得到拟合曲线，计算两轴曲线斜率比初步判别绕组是否存在机械故障；

5、步骤三，提取特征向量，运用小波包分解分别获取两轴振动信号各节点能量占比和能谱熵组成特征向量；

6、步骤四，利用神经网络进行故障诊断，融合轴向、辐向振动特征向量组成特征向量库，利用bp神经网络实现两轴信息融合分类诊断。

7、所述步骤一的绕组振动测试过程中由于同状态下绕组轴向、辐向振幅为相同数量级，辐向振幅均大于轴向振幅，因此在故障诊断中应综合考虑两个所述振动传感器的轴振动信息，将制电流与幅值的变化关系曲线采用最小二乘拟合得到的正常状态下振动幅值与短路电流标幺值平方之间的关系曲线，曲线方程为：

8、

9、式中y1表示轴向基频振幅，y2表示辐向基频振幅，x＝(i/in)2为电流标幺值的平方；

10、由式(1)可知，绕组轴向、辐向基频振幅均与负载电流平方成线性关系，但由于绕组绝缘的阻尼作用该一次函数并不经过坐标原点,为使结果更具有代表性，这里用曲线斜率比k′代替某一负载电流下振幅比，k′的计算公式如下：

11、

12、式中k1为轴向振动曲线方程的斜率，k2为辐向振动曲线方程的斜率,将正常状态下k1、k2带入公式(2)可得斜率比k′为0.23,绕组松动故障下曲线方程为：

13、

14、绕组鼓包变形故障下曲线方程为：

15、

16、根据式(2)(3)(4)可求得绕组松动与鼓包变形故障下斜率比k′分别为0.57和1.07。

17、所述步骤三中小波包分析属于非线性时频分析法，具有良好的时频定位以及自适应能力，通过小波包分解获得信号第j层第k个节点对应能量e(j,k)的计算公式为：

18、

19、式中：ε表示小波包分解后j层k节点对应的系数，n为节点信号的长度，归一化处理，得到各节点能量占比d(j,k)，

20、

21、选取db3作为小波基函数对绕组振动信号进行3层小波包分解，由于绕组振动主要集中在基频100hz处，同时伴有200-500hz的高次谐波，超过500hz振动信号基本衰减到零，因此选择0-500hz频段内各节点能量占比作为特征量，其特征能量组可表示为：

22、t＝[d(3,0)d(3,1)d(3,2)d(3,3)] (7)

23、熵值表示一个信号的无序化程度，对于绕组松动和变形故障有着极高的辨识度，因此增加小波包能谱熵h作为振动信息的评估指标，其计算公式为：

24、

25、采用小波包分解计算各节点能量占比及能谱熵作为绕组振动特征值，组成轴向特征向量i1＝[d1(3,0)d1(3,1)d1(3,2)d1(3,3)h1]与辐向特征向量i2＝[d2(3,0)d2(3,1)d2(3,2)d2(3,3)h2]，实现不同绕组机械状态的检测。

26、所述步骤四中bp神经网络的bp神经网络结构的输入层：x＝(x1,x2,…xi,…x10)t为神经网络输入向量，文中取绕组两轴振动信号3层小波包分解后各节点能量占比及能谱熵共10个数据组成输入层对应10个神经元，

27、隐含层：y＝(y1,y2,…yj,…y10)t为神经网络隐含层向量，文中设定隐含层层数为1，神经元个数为10，隐含层层数及神经元数目设定会对诊断结果产生一定影响，但这不是文章讨论的重点，vij表示输入层第i个节点到隐含层第j个节点之间的权值参数，ujk表示隐含层第j个节点到输出层第k个节点之间的权值参数，

28、输出层：o＝(o1,o2,o3)t为输出向量；p＝(p1,p2,p3)t为期望输出向量；δ＝(δ1,δ2,δ3)t为误差向量，表示输出值与期望值之差，当输出误差较大时，则转入神经网络反向传播阶段，进行网络权值参数的更新，直到误差减小到允许范围内。

29、有益效果

30、利用本发明的技术方案制作的基于两轴振动信息融合的变压器绕组机械故障诊断方法，其具有如下优势：

31、1、本技术采用一台sg-5kva干式变压器实际样机为研究对象，综合考虑绕组轴向、辐向振动信号，提出两轴振动信息融合的故障诊断方法，绕组故障导致轴向振幅增大，辐向振幅不变或减小，通过分析轴向、辐向振动信号的基频幅值关系可初步辨识绕组状态，提高了检测效率。

32、2、采用单一信息源对绕组状态进行诊断时，轴向振动信号容易造成故障间误判，辐向振动信号不易区分绕组正常与松动状态，两轴振动信息融合可以弥补单一信息源的局限，更能全面反映绕组状态信息，提高故障识别准确率；此外，本技术中文中所提两轴信息融合的故障诊断方法可精确识别绕组故障类型，为变压器绕组机械状态评估与识别提供了新的途径。